基于分块直方图距离和 CNN 分类器的多模光纤散斑传感系统

《Sensors and Actuators A: Physical》：A multimode fiber speckle sensing system based on block-based histogram distance and CNN-based classifier

　　

•BHD 指标量化了二维散斑变化，并将随机图案转换为有序数字。
•BHD-CNN：CNN 设定范围；BHD 实现连续传感并主导精度。
•BHD 曲线的指数拟合实现了宽范围连续测量，仅需少量校准点和低开销。
•所提出的传感系统兼容接触式和非接触式配置。

引言

光纤传感器凭借其高灵敏度、抗电磁干扰能力和低传输损耗，在现代技术和工程中发挥着不可替代的作用。其中，单模光纤（SMF）凭借其简单的光传输机制和稳定的模式特性，已成为传统光纤传感技术的核心介质。它在光纤布拉格光栅传感 [1], [2]、干涉传感 [3], [4], [5] 和基于散射的分布式传感 [6], [7], [8] 等关键技术中发挥着至关重要的作用。随着传感技术向更复杂的应用场景发展，多模光纤（MMF）在高灵敏度探测和多参数协同传感等新兴领域展现出独特价值。这是由其更大的结构自由度和多模态特性所提供的高维信息所支持的。

例如，M. Y. Mohd Noor 等人利用 MMF 上丙烯酸涂层较大的热光系数，通过将 MMF 在 SMS 光纤结构中弯曲成气球形状，实现了一种高灵敏度温度传感器 [9]；Z. Zhu 等人将表面等离子体共振（SPR）与 MMF 相结合，开发了精度高达 10.32 nm/μm 的高精度位移传感器 [10]；C. Zhu 等人提出了一种新型曲率传感器，通过与机器学习集成实现了高灵敏度和大动态范围的协同优化 [11]；A. Sun 和 Z. Wu 通过将 MMF 与光纤布拉格光栅（FBG）结合，创建了能够同时测量应变和弯曲的双参数传感器 [12]。

值得注意的是，多模光纤不限于传统的硅玻璃材料。聚合物光纤（POF）作为多模光纤的一个重要分支，凭借其高柔韧性、低杨氏模量和良好的生物相容性，在可穿戴设备和生物医学领域具有独特优势 [13]。基于 POF 的传感研究取得了显著成果，涵盖了基于散斑图案分析的高灵敏度变形和折射率传感 [14], [15]，以及基于强度调制原理的高分辨率位移测量 [16], [17]。这些研究表明，散斑图案作为多模光纤的固有光学特征，对不同材料（从硅到聚合物）多模光纤中的扰动表现出高灵敏度，为传感器设计的材料选择提供了更大的灵活性。

然而，虽然这些优化策略拓宽了多模光纤的应用范围，但也随之引入了显著的技术挑战：一方面，复杂的设计大幅增加了制造复杂性；另一方面，对光谱仪等精密仪器的依赖对这些传感器在现实场景中的实际部署构成了严重限制。

近年来深度学习的快速发展为多模光纤传感引入了一种革命性的范式。通过采用深度学习模型直接解码多模光纤产生的散斑图案，这种方法无需复杂的光纤结构设计即可高精度测量温度、应变和位移等多个物理参数 [18], [19]。这种数据驱动的方法不仅规避了传统传感方案的结构局限性，还显著增强了传感系统的适应性和可扩展性。通过将深度学习应用于分析光纤散斑图案，Y. Liu 等人成功识别了光纤的 21 种不同弯曲状态 [20]。随后他们提出了一种创新的曲率测量方法，从散斑图样中提取纹理特征，然后进行 1D CNN 处理，在±0.1 m-1 误差范围内实现了 91.4% 的准确率 [21]。X. Wang 等人通过将 k 近邻（KNN）机器学习算法与多模光纤输出图像相结合，实现了 3D 多点测量传感器 [22]。

上述研究表明，深度学习的引入显著增强了 MMF 传感器的性能，而没有增加系统复杂性。然而，与一维光谱数据相比，二维散斑图像的变化模式要复杂得多。基于深度学习图像处理的现有传感方法通常需要大量的训练数据集，以便卷积神经网络（CNN）能够捕捉图像变化的内在规律。此外，由于分类神经网络输出的离散性质，实现物理量的连续测量仍然具有挑战性。如果采用回归网络，MMF 输出散斑图案变化的固有高复杂性和随机性仍然使得测量精度难以与传统光纤传感器相匹配。

在利用散斑图像进行物理参数传感的研究中（例如参考文献 [20], [22]），主要使用分类算法。在固定的物理状态下捕获多张图像形成训练集。训练后，CNN 可以根据输入图像确定物理量的状态类别。然而，受限于分类算法本身，输出只能对应训练集中存在的离散状态，无法精确测量未知的中间状态。在参考文献 [21] 中，Y. Liu 等人的团队从 MMF 输出图像中提取特征，将二维散斑图案表示为一维特征向量。他们采用一维 CNN 预测未知的弯曲曲率，在基于散斑图像的传感的实际应用方面取得了进展。尽管如此，这项工作仅实现了两个已知曲率之间中间值的预测，距离真正的连续测量仍有距离。虽然基于 CNN 的回归模型在预测特定物理量的未知值时表现出显著误差，但它们在离散状态分类中表现出色，对已知物理状态的识别准确率达到或接近 100%。这表明 CNN 在离散状态判别方面具有强大的可靠性。

为了表征 MMF 散斑图案在宽范围内的连续变化，F. Eric 等人在 2018 年基于零均值归一化互相关系数（ZNCC）算法提出了扩展 ZNCC（EZNCC）算法 [23]。该方法在 ZNCC 低于设定阈值时更新参考图像，从而能够评估多个连续离散点之间的相关性。例如，X. Wang 等人利用 EZNCC 方法跨多个加载周期评估深度学习模型输出的灵敏度和分辨率 [24]。然而，该算法需要顺序更新参考图像。如果应用于大物理参数范围的传感，它将显著增加计算时间，使其不适合宽范围连续测量场景。

受相关研究的启发，本研究调查了标准 105/125 μm（芯/包层）MMF 产生的散斑图案，并提出了一种基于基于块的直方图距离（BHD）的新型散斑变化指标。该方法将散斑图案的变化量化为距离曲线，该曲线可以通过简单函数准确拟合，从而将原本随机的散斑变化转换为有序的数字表示。基于该指标，我们通过将其与基于 CNN 的分类器集成，开发了一种多模光纤散斑传感系统。该系统的测量范围由基于 CNN 的分类器决定，而其连续传感能力和测量精度则由 BHD 指标主导。

我们首先将所提出的传感系统应用于接触式位移测量结构。绝对位置测量的平均误差（ME）为 4.35 nm，均方根误差（RMSE）为 25.48 nm；而对于相对位移测量，ME 为 7.2 nm，标准差（Std）为 15 nm，这初步验证了系统的基本可行性。然而，这种接触式结构在实验期间表现出较差的稳定性。为了解决这个问题，我们进一步设计了一种新型非接触式传感结构。使用该结构进行的绝对位置测量给出的 ME 为 5.50 nm，RMSE 为 17.5 nm；对于相对位移，ME 和 Std 分别达到 7.2 nm 和 8.5 nm，显示出良好的初始性能，并且在 48 小时期间传感性能保持稳定。这些结果不仅验证了所提出传感系统的可行性，还突出了其强大的适应性，为多模光纤散斑传感器在现实测量场景中的实际应用提供了一种创新方法。

章节片段

系统概述

所提出传感系统的开发和性能评估需要在各种弯曲状态下分析散斑图案数据。为此，建立了一个基本的弯曲传感实验装置，如图 1(a) 所示。

实验装置主要由激光源、电机平移台（MTS）、CMOS 相机、光学支架以及 SMF 和 MMF 组成。本文展示的所有示意图中，光学的颜色编码

实验结果

所提出传感系统的可行性和适应性通过在接触式和非接触式位移传感器中的成功实施得到证明。

总结

本文提出了一种基于 BHD 的新型散斑图案变化指标，该指标与基于 CNN 的分类器集成，形成了一种新的多模光纤散斑传感系统。该系统充分发挥了两种方法的协同优势：基于 CNN 的分类器首先在大范围内提供目标物理量的粗略估计，而 BHD 算法随后实现精确定位。这种混合策略确保了对物理量的连续监测

CRediT 作者贡献声明

栾宇轩：方法论。何龙：数据管理。陈向前：写作 – 审查与编辑，写作 – 初稿。姚沛俊：写作 – 审查与编辑。徐立新：写作 – 审查与编辑。罗京：形式分析。刘向忠：数据管理。

利益冲突声明

作者声明，他们没有已知的竞争性财务利益或个人关系，这些利益或关系可能影响本文报告的工作。

致谢

本工作得到了国家重点研发计划（编号 2021YFF0307804）、中国科学技术大学学生创新与创业基金（编号 CY2025X007A）以及中国科学技术大学学生创新与创业基金（编号 CY2025G012A）的支持。

姚沛俊：姚沛俊副教授是中国科学技术大学（USTC）光学与光学工程系硕士生导师。他于 2005 年获得中国科学技术大学物理学博士学位。2005 年至 2008 年，他在中国科学院上海微系统与信息技术研究所担任助理教授，并在 2008 年至 2009 年在加拿大女王大学从事博士后研究。自 2010 年以来，他在中国科学技术大学担任一名

陈向前 | 何龙 | 栾宇轩 | 刘向忠 | 罗京 | 徐立新 | 姚沛俊